Reconocimiento facial y ‘deep learning’ en la detección de enfermedad coronaria
El estudio describe un modelo de deep learning que consigue una sensibilidad del 80% y una especificidad del 53% para detección de enfermedad coronaria a partir del análisis de las fotos de las caras de los pacientes.
Existen rasgos faciales que se han asociado con el riesgo de tener enfermedad coronaria. Los autores de este trabajo se plantearon que este tipo de análisis es precisamente el tipo de tarea que se puede resolver con el uso de inteligencia artificial, por lo que desarrollaron y validaron un algoritmo de deep learning con el objetivo de diagnosticar enfermedad coronaria a partir de las fotos de la cara de los pacientes.
El trabajo es un estudio multicéntrico realizado en nueve hospitales chinos en el que se incluyó a los pacientes en los que se realizó una tomografía computarizada (TC) de coronarias o una coronariografía invasiva para entrenar y validar un modelo de deep learning basado en una red neural convolucional con el objetivo de detectar enfermedad coronaria (al menos un vaso con una estenosis ≥ 50%) a partir de las fotos de sus caras. Entre julio de 2017 y marzo de 2019 se obtuvieron datos de 5.796 pacientes con los que se realizaron las fases de entrenamiento y validación del algoritmo y entre abril y julio de 2019 se obtuvieron datos de 1.013 pacientes más con los que el algoritmo fue puesto a prueba. Finalmente se calculó el rendimiento diagnóstico del modelo.
Usando un punto de corte seleccionado para obtener una alta sensibilidad, el algoritmo tuvo una sensibilidad de 80% y especificidad del 54% en el grupo de evaluación, con un área bajo la curva de rendimiento diagnóstico de 0,73. Esta área bajo la curva fue superior a las publicadas para los modelos clínicos de Diamond-Forrester (0,62) y del consorcio clínico para la detección de enfermedad coronaria (0,65).
Los resultados sugieren que este algoritmo basado en el análisis de las fotos de las caras de los pacientes podría ser una herramienta útil para valorar el riesgo de enfermedad coronaria. Con estos datos, los autores concluyen que, aunque queda mucho trabajo de investigación y validación para poder convertir este tipo de algoritmos en herramientas aplicables en clínica, la técnica tiene potencial para ser útil en todo tipo de aplicaciones clínicas, desde la valoración de los pacientes en consultas hasta el screening poblacional de enfermedad coronaria.
Comentario
Este trabajo sugiere la sorprendente idea de que un algoritmo de deep learning aplicado sobre las fotos de las caras de los pacientes tiene un rendimiento decente como técnica de detección de enfermedad coronaria.
Nuestra siempre querida Wikipedia nos explica que el término de deep learning se aplica para un tipo de inteligencia artificial basado en algoritmos organizados en “capas” capaces de obtener información cada vez más desarrollada a partir de los datos originales. Por ejemplo, un algoritmo de procesado de imagen puede tener “capas” iniciales con “tareas” sencillas como identificar los bordes de las estructuras que comunican los datos a otras “capas” que identifiquen los conceptos que puedan ser interesantes como letras o caras. Los modelos más modernos están basados en redes neurales “convolucionales” que dividen el análisis en pasos jerárquicos de tal manera que cada paso del procesado obtiene resultados más complejos y abstractos a partir de piezas de información más sencillas. Este tipo de modelos puede aprender por sí mismo a obtener los resultados utilizando miles de variables incluidas en los datos originales, muchas de ellas desapercibidas para los ojos del programador.
Los autores comprobaron que el modelo de diagnóstico obtenido tenía una sensibilidad del 80% y una especificidad del 54% con un área bajo la curva de 0,73 para la detección de enfermedad coronaria con al menos un vaso con estenosis superior al 50%. El rendimiento del modelo no se modificó al añadir datos clínicos como los factores de riesgo cardiovascular, por lo que el algoritmo funciona incluso sin tener ningún dato de la historia clínica ni de la exploración. El resultado está lejos de ser espectacular, pero ya se encargan los propios autores de recordarnos que varios criterios de valoración clínica del riesgo de enfermedad coronaria ampliamente utilizados no funcionan mejor. Incluso nuestra clásica ergometría, con su sensibilidad de 58% y especificidad de 62% (datos tomados de las guías de práctica clínica) podría tener problemas en la comparación.
ste trabajo es un ejemplo estupendo del potencial del uso de la inteligencia artificial en medicina. La idea de que podría ser posible diagnosticar la presencia de enfermedad coronaria obstructiva solo con la foto de la cara del paciente es tan rompedora y novedosa que nos hace pensar directamente que estamos en una película de ciencia ficción. Las aplicaciones potenciales son infinitas, desde la valoración del riesgo de los pacientes en consultas, al screening poblacional o incluso a la autoevaluación del paciente con un selfi en su teléfono móvil. Sin embargo, los problemas y los retos son también infinitos. La calidad del algoritmo depende de la calidad de los datos iniciales, de la población en estudio y de la definición de caso de enfermedad coronaria. Su funcionamiento está muy lejos de ser perfecto y con una especificidad tan baja es esperable un gran número de falsos positivos que van a complicar la vida tanto al paciente como al funcionamiento del sistema de salud. Y abrimos la puerta a temas delicados como la privacidad de los datos, la equidad en la atención médica o a la discriminación de “personas de alto riesgo”. Este trabajo nos permite echar un vistazo a lo que podría ser la medicina del futuro aunque queda todo por aprender y por validar antes de que este tipo de herramientas basadas en inteligencia artificial se conviertan en herramientas clínicas prácticas.
Referencia
Feasibility of using deep learning to detect coronary artery disease based on facial photo
- Shen Lin, Zhigang Li, Bowen Fu, Sipeng Chen, Xi Li, Yang Wang, Xiaoyi Wang, Bin Lv, Bo Xu, Xiantao Song, Yao-Jun Zhang, Xiang Cheng, Weijian Huang, Jun Pu, Qi Zhang, Yunlong Xia, Bai Du, Xiangyang Ji, Zhe Zheng.
- Eur Heart J. 2020 Dec 7;41(46):4400-4411. doi: 10.1093/eurheartj/ehaa640.
Escrito por Dr. José Juan Gómez de Diego
Fuente: Cardiología Hoy, blog de la Sociedad Española de Cardiología SEC
Foto: Markus Spiske on Unsplash
